.png){kind=icon}
返回
DGG-LDP: Directed Graph Generation Algorithm with Local Differential Privacy
.png){kind=icon}
OA
AI
DOI：10.3390/sym17122132.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在各种实际应用场景中，有向图比无向图能更清晰地表达关系本质。与此同时，近年来去中心化网络受到了越来越多的关注。在去中心化有向网络（例如比特币网络）中，每个用户仅维护自己的本地网络视图。为提供更好的服务，第三方提供者通常需要根据用户上传的本地视图构建全局图，以用于下游图分析任务。然而，直接收集用户的本地视图会带来显著的隐私风险。对于有向图而言，对称性在恢复数据平衡和保持结构完整性方面起着重要作用。本文提出了一种基于本地边差分隐私的有向图生成算法DGG-LDP，专门针对去中心化有向图。该算法的核心思想是平衡粗粒度和细粒度结构信息，以保持几何对称性：我们首先通过收集一轮社区度向量合成初始图，然后遵循对称性原则，利用第二轮带有噪声的社区度向量迭代优化图，通过移除社区向量中的冗余非对称边，以更好地逼近原始图。此外，该算法还结合了图结构学习和图嵌入技术来缓解噪声影响。在四个真实数据集上的实验证明了所提出方法的有效性。
Keyword:
local differential privacy
directed graph
privacy protection
decentralized network
graph embedding
期刊
S
IF:
2.2
论文数:
1.4K
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏分享收藏Community detection algorithm for social network based on node intimacy and graph embedding model
PREAI
分享收藏
查看更多内容